生化反应网络的多级蒙特卡罗模拟与推理

当考虑到某些化学物种的小种群时，生物化学反应网络的随机模型通常是对确定性对应物上的细胞过程更真实的描述。这些模型的实际应用需要大量计算，因为化学主方程的分析解很少可用。多层蒙特卡罗（MLMC）方法已被证明对于加速有关正向问题的期望计算非常有效。然而，反应速率参数的统计推断是一项计算量更大的任务，它通常依赖于类似的无障碍方法，例如近似贝叶斯计算（ABC）。我们研究了一种改进的ABC方法，该方法基于MLMC并将其直接应用于拒绝抽样；我们的方法通过使用接受阈值的递减序列对有偏估计量进行伸缩求和来构造后验分布函数的近似值。我们简要回顾了正向问题的MLMC概念，讨论了推理问题特有的挑战，然后使用几个生化反应网络的随机模型证明了我们的MLMC方法对ABC的有效性。